一种交通数据预测方法以及系统技术方案

本发明专利技术公开了一种交通速度预测方法，其特征在于，该方法包括：获取数据集，所述数据集包括路网信息、车辆速度信息；利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出各路段的车辆速度特征矩阵V(K)；利用时间卷积网络学习V(K)的时间规律并输出时序特征矩阵

【技术实现步骤摘要】
一种交通数据预测方法以及系统
本专利技术适于智能交通
、数据处理
，尤其涉及一种交通数据预测方法以及系统。
技术介绍
交通状况预测是交通建模，运营和管理中必不可少的组成部分。对于交通流量较大时的不合理疏导可能会导致交通堵塞和交通事故等问题。高准确度的交通速度预测在智能交通系统(ITS)应用中起着重要作用，例如缓解城市交通问题，提高城市交通运输效率，帮助出行者做更好的路线规划和出发时间安排，动态交通信号优化和匝道控制等。交通速度预测的方法主要可以分为两类：经典统计模型和机器学习方法。大多数经典统计模型都基于一些假设，并且具有固定的函数表达形式，例如整合移动平均自回归模型(ARIMA)及其变体等。模型的参数可以通过参数估计(如最大似然估计)得出。然而，交通流量的随机性和非线性特征难以克服这种统计模型的局限性。随着大数据时代的到来以及先进的数据管理系统的普及，研究者们也提出了大量基于数据驱动的机器学习方法。例如支持向量回归模型、k近邻模型和梯度增强回归树的表现优于经典的统计方法；多目标粒子群算法优化后的深度信念网络可以提高预测结果的准确性；循环神经网络及其变体(如长短期记忆神经网络和门控递归单元)也可很好的提高预测模型的准确度。然而，这些模型主要是从单个序列中学习时间相关性，而忽略了交通网络中的空间信息。由于上下游道路的交通状态通过传递和反馈效应相互影响，因此如何利用好空间相关性在预测过程中是非常重要的。为了提高预测的准确度，不仅需要从历史观测速度序列中提取时间信息，还需要提取道路网络中的空间信息。图卷积网络也在交通领域引起了广泛关注，现有的研究有利用图卷积神经网络来提取路网中的空间信息。利用循环神经网络进行时序预测，但是循环神经网络在学习较长序列可能会遗忘部分重要信息，同时也无法并行计算。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此，本专利技术的一个方面，提供了一种交通速度预测方法，该方法包括：获取数据集，所述数据集包括路网信息、车辆速度信息；利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出各路段的车辆速度特征矩阵V(K)；利用时间卷积网络学习V(K)的时间规律并输出时序特征矩阵利用多头自注意力机制学习特征矩阵之间的耦合关系并输出可选的，利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出特征矩阵V(K)，包括下述步骤：根据路网信息确定路段间邻接矩阵，所述邻接矩阵描述两个路段是否邻接，所述邻接为两个路段之间需要经过的最小路段数小于预定值K；基于预定时间间隔的每个路段的车辆速度信息构建速度维度数据；基于所述路段间邻接矩阵、速度维度数据计算一路段对当前路段的注意力分数；利用函数正则化注意力分数；利用正则化的注意力分数作为权重、当前路段速度维度数据计算当前路段的速度预测特征值。可选的，利用时间卷积网络学习各路段的速度特征矩阵V(K)的时间规律并输出时序特征矩阵包括下述步骤：基于卷积核的大小确定卷积连接的速度特征数量；基于不同的扩张因子确定扩张卷积连接的速度特征对象；根据扩张卷积连接的速度特征对象提取特征矩阵V(K)中的时序信息；根据时序信息进行残差连接。可选的，所述提取时序信息、残差连接的步骤循环计算三次，得到三层的残差模块。可选的，利用多头自注意力机制学习特征矩阵之间的耦合关系并输出包括下述步骤：通过多个线性层将查询、键、值映射到输出，所述查询、键、值、输出均为向量或者矩阵；基于行维度对所述输出进行点乘缩放机制；对输出值进行加权总和，所述权重通过查询与相应键的相容性函数计算得出。本专利技术还提供一种交通速度预测系统，该系统包括：数据集输入模块，用于获取数据集，所述数据集包括路网信息、车辆速度信息；图注意力机制空间信息处理模块，用于利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出各路段的车辆速度特征矩阵V(K)；时间卷积网络处理模块，用于利用时间卷积网络学习V(K)的时间规律并输出时序特征矩阵时空耦合模块，用于利用多头自注意力机制学习特征矩阵之间的耦合关系并输出可选的，所述图注意力机制空间信息处理模块包括：邻接矩阵确定单元，用于根据路网信息确定路段间邻接矩阵，所述邻接矩阵描述两个路段是否邻接，所述邻接为两个路段之间需要经过的最小路段数小于预定值K；速度维度数据构建单元，用于基于预定时间间隔的每个路段的车辆速度信息构建速度维度数据；注意力机制处理单元，用于基于所述路段间邻接矩阵、速度维度数据计算一路段对当前路段的注意力分数；正则化处理单元，用于利用函数正则化注意力分数；速度预测单元，用于利用正则化的注意力分数作为权重、当前路段速度维度数据计算当前路段的速度预测特征值。可选的，时间卷积网络处理模块包括：参数确定单元，用于基于卷积核的大小确定卷积连接的速度特征数量，基于不同的扩张因子确定扩张卷积连接的速度特征对象；时序信息提取单元，用于根据扩张卷积连接的速度特征对象提取特征矩阵V(K)中的时序信息；残差连接单元，用于根据时序信息进行残差连接。可选的，所述时序信息提取单元、残差连接单元循环连接，以构成三层残差模块。可选的，时空耦合模块包括：映射单元，用于通过多个线性层将查询、键、值映射到输出，所述查询、键、值、输出均为向量或者矩阵；点乘缩放单元，用于基于行维度对所述输出进行点乘缩放机制；多头自注意力机制单元，用于对缩放后的输出值进行加权总和，所述权重通过查询与相应键的相容性函数计算得出。本申请实施例中提供的技术方案，提出一种新的深度学习方法来提取时空信息并提高速度预测的准确度。这种方法分别利用图注意力机制和时间卷积网络来提取空间和时间依赖性，除此之外，本申请还引入了多头自注意力机制来提取时空耦合效应，从而进一步提高了在速度预测上的可扩展性。多头自注意机制可以在不同位置学习来自不同表示子空间的信息，从而有助于捕获交通流的时间信息，并实现更高的预测精度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述技术方案和其目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本专利技术提出的一种实施方式的交通速度预测方法的流程图；图2示出了利用图注意力机制计算的路网空间信息的示意图；图3示出了应用了当核大小等于2时，不同扩张因子所对应的扩张卷积；图4示出了扩张因子等于1时，不同核本文档来自技高网...

【技术保护点】
1.一种交通速度预测方法，其特征在于，该方法包括：/n获取数据集，所述数据集包括路网信息、车辆速度信息；/n利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出各路段的车辆速度特征矩阵V(K)；/n利用时间卷积网络学习V(K)的时间规律并输出时序特征矩阵

【技术特征摘要】
1.一种交通速度预测方法，其特征在于，该方法包括：
获取数据集，所述数据集包括路网信息、车辆速度信息；
利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出各路段的车辆速度特征矩阵V(K)；
利用时间卷积网络学习V(K)的时间规律并输出时序特征矩阵
利用多头自注意力机制学习特征矩阵之间的耦合关系并输出


2.根据权利要求1所述的交通速度预测方法，其特征还在于，利用图注意力机制提取路网中K阶邻接路段的空间相关性并输出特征矩阵V(K)，包括下述步骤：
根据路网信息确定路段间邻接矩阵，所述邻接矩阵描述两个路段是否邻接，所述邻接为两个路段之间需要经过的最小路段数小于预定值K；
基于预定时间间隔的每个路段的车辆速度信息构建速度维度数据；
基于所述路段间邻接矩阵、速度维度数据计算一路段对当前路段的注意力分数；
利用函数正则化注意力分数；
利用正则化的注意力分数作为权重、当前路段速度维度数据计算当前路段的速度预测特征值。


3.根据权利要求1所述的交通速度预测方法，其特征还在于，利用时间卷积网络学习各路段的速度特征矩阵V(K)的时间规律并输出时序特征矩阵包括下述步骤：
基于卷积核的大小确定卷积连接的速度特征数量；
基于不同的扩张因子确定扩张卷积连接的速度特征对象；
根据扩张卷积连接的速度特征对象提取特征矩阵V(K)中的时序信息；
根据时序信息进行残差连接。


4.根据权利要求3所述的交通速度预测方法，其特征还在于，所述提取时序信息、残差连接的步骤循环计算三次，得到三层的残差模块。


5.根据权利要求1所述的交通速度预测方法，其特征还在于，利用多头自注意力机制学习特征矩阵之间的耦合关系并输出包括下述步骤：
通过多个线性层将查询、键、值映射到输出，所述查询、键、值、输出均为向量或者矩阵；
基于行维度对所述输出进行点乘缩放机制；
对输出值进行加权总和，所述权重通过查询与相应键的相容性函数计算得出。


6.一种交通速度预测系统，其特征在于，该系统包括：
数据集输入...

【专利技术属性】
技术研发人员：李萌，张珂，林犀，郭娅明，张正超，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11